Dec, 2023

利用张量卷积神经网络提高制造业中的缺陷检测

PDF
TL;DR在制造业质量控制阶段，缺陷检测是最重要且具有挑战性的任务之一。本文引入了一种张量卷积神经网络（T-CNN），并在罗伯特・博世公司生产的超声波传感器组件的实际缺陷检测应用中对其性能进行了研究。我们的量子启发式 T-CNN 在减少模型参数空间的基础上操作，从而大幅提高了相当于 CNN 模型的训练速度和性能，同时又不损失准确性。具体而言，我们展示了 T-CNN 如何以质量评价指标衡量的同等性能，在参数数量减少了 15 倍的情况下，训练时间加快了 4% 至 19%。我们的结果表明，T-CNN 大大优于传统人工视觉检测的结果，在制造业的实际应用中具有重要价值。
发现论文，激发创造
  • 利用卷积神经网络和迁移学习进行制造缺陷检测和分割

    提出了一种基于掩膜区域卷积神经网络（Mask Region-based CNN）的系统，用于在 X 射线图像中识别铸造缺陷。该系统同时执行输入图像的缺陷检测和分割，并采用转移学习来减少训练数据需求并提高训练模型的预测准确性。

    Aug, 2018

  • Taguchi 基于设计的顺序卷积神经网络用于缺陷紧固件分类

    研究中使用基于深度学习和 CNN 技术的缺陷检测方法，同时设计参数和 Taguchi 实验以建立自动化检测系统来提高紧固件标准化质量控制。

    Jul, 2022

  • DeepInspect：面向制造业的 AI 驱动缺陷检测

    我们的论文利用卷积神经网络（CNNs）、递归神经网络（RNNs）和生成对抗网络（GANs）为制造业引入一种创新的缺陷检测方法。通过从产品照片中提取精细的细节，并利用 RNNs 检测不断演变的错误，并生成合成缺陷数据来增强模型的鲁棒性和适应性以应对各种缺陷情况。该项目利用深度学习框架在制造过程中实现实时缺陷检测。它利用大量带有注释的图像数据集来识别复杂的缺陷模式。该综合系统无缝地融入生产工作流程，提高效率并提升产品质量。因此，它降低了浪费和运营成本，最终提升了市场竞争力。

    Nov, 2023

  • 对卷积神经网络在钢板表面缺陷分类中性能的建模与评估

    探讨基于转移学习技术的各种 CNN 模型的性能评估结果表明，DenseNet201 在 NEU 数据集上的检测率最高，达到 98.37%。

    Jun, 2024

  • 金属铸造缺陷检测的高效神经网络方法

    提出了一种轻量级的深度学习模型用于在钢铁制造行业中识别表面缺陷，与 MobileNet、Inception、ResNet 和 Vision transformers 等预训练卷积神经网络相比，该新模型具有更高的准确性和更快的推理速度，并采用了深可分离卷积，全局平均池化层和改进的架构高效性增强技术。

    Aug, 2022

  • 基于 CNN 视觉处理的增材制造缺陷分类

    本文考察了在增材制造过程中利用计算机视觉和原位监测技术获取大型数据集的可能性，并使用卷积神经网络和主动学习技术对其进行分类和优化，形成可减小数据量与需求的人机协作模型。

    Jul, 2023

  • 提高计算机视觉制造缺陷检测鲁棒性的一种新策略

    本研究探讨利用深度学习技术进行视觉品质检测问题，针对工业制造中数据重复性高的情况，提出通过学习数据中的特定缺陷类型来训练检测模型，从而使其更能检测出在新情况下出现的缺陷。同时，研究对泛化的影响，以训练在更广泛的条件下工作的模型。

    May, 2023

  • 一种基于集成卷积神经网络的可重复使用的铁路 AI 缺陷检测系统

    准确的缺陷检测对于确保智能铁路系统的可信性至关重要。为了解决样本有限时训练新的缺陷分类器导致过拟合和在未见图像上表现不佳的问题，我们提出了一种可重复使用的基于人工智能的缺陷检测方法。通过将集成学习与迁移学习模型（VGG-19、MobileNetV3 和 ResNet-50）相结合，我们提高了分类准确性，并在某一训练阶段实现了一致的性能。与其他最先进的方法相比，我们的实证分析表明了更好和更一致的性能。这种一致性证实了缺陷检测系统对于新出现的有缺陷的铁路部件的可重复使用性。因此，我们预计这些发现将有助于铁路系统可重复使用的基于人工智能的解决方案的进一步研究和发展。

    Nov, 2023

  • 循环传感器数据的深度卷积神经网络

    通过使用一个液压系统测试数据集，本研究聚焦于传感器基于的状态监测，并探索了使用深度学习技术的应用。我们比较了三种模型的性能：一个使用常规方法的基准模型，一个具有早期传感器融合的单一卷积神经网络模型，以及一个具有晚期传感器融合的双路卷积神经网络模型 (2L-CNN)。基准模型通过晚期传感器融合取得了令人印象深刻的 1% 测试误差率，其中对每个传感器进行了单独的特征提取。然而，由于传感器特征的多样性，卷积神经网络模型遇到了挑战，导致了 20.5% 的误差率。为了进一步调查这个问题，我们对每个传感器进行了单独的训练，并观察到了准确性的变化。此外，我们还评估了 2L-CNN 模型的性能，在考虑最不理想和最理想传感器的组合时，错误率降低了 33%。本研究强调了在传感器基于的状态监测中有效应对多传感器系统的复杂性的重要性。

    Aug, 2023

  • 激光超声可视化测试图像缺陷检测深层 CNN 结构研究

    本文提出了一种深度神经网络用于自动检测和定位 LUVT 图像中的缺陷。通过使用来自 SUS304 平板的真实数据进行数值实验，我们发现该方法在预测性能方面比一般对象检测模型更有效，并且所需的计算时间也比通用对象检测模型要快。

    May, 2023